CN106018325A - 一种评价汽油性质建模预测结果可信程度的方法 - Google Patents
一种评价汽油性质建模预测结果可信程度的方法 Download PDFInfo
- Publication number
- CN106018325A CN106018325A CN201610286125.4A CN201610286125A CN106018325A CN 106018325 A CN106018325 A CN 106018325A CN 201610286125 A CN201610286125 A CN 201610286125A CN 106018325 A CN106018325 A CN 106018325A
- Authority
- CN
- China
- Prior art keywords
- sample
- calibration samples
- point
- forecasting
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002790 cross-validation Methods 0.000 claims abstract description 11
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000002329 infrared spectrum Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种评价汽油性质建模预测结果可信程度的方法,利用主成分得分坐标图,并引入了极值距离系数、距离离散系数和平均距离系数,用于描述待测样本点与校正样本点的分布集中度情况;其次根据决定系数和交叉验证均方根误差描述模型的预测能力情况;最后综合考虑样本分布集中度和模型的预测能力,建立了可信度公式,衡量预测结果的可信程度。该方法有效表征了预测结果的可信性,较好地评价了汽油性质模型的可行性,为使用人员是否需要及时更新模型提供了依据。
Description
技术领域
本发明为一种评价汽油性质建模预测结果可信程度的方法,具体是涉及汽油性质检测领域。
背景技术
目前,近红外光谱分析结合多元校正方法已广泛应用于汽油性质检测领域,对汽油性质的快速检测起到重要作用。
在汽油性质建模预测过程中,预处理后的光谱数据经过主成分分析(PCA)后,一般取第一、第二主成分就可以提取到85%的有用信息,足以进行后续的建模分析。在由第一、第二主成分得分构成的坐标图中,我们希望校正样本点分布在待测样本点的附近,类似图1所示。然而,在实际工程应用中,存在类似图2所示的异常情况,即待测样本点与校正样本点分布相去甚远,且校正样本点集中在校正范围的边缘,这反映了待测样本的光谱信息与校正样本的光谱信息实际上差别较大,在此情况下模型给出的预测结果往往是欠准确的。
此外,有时还会出现类似图3所示的异常情况,即待测样本点与校正样本点的分布较为分散,且待测样本点附近的校正样本点极少,这反映了与待测样本光谱信息相似的校正样本数很少,在此情况下模型的给出预测结果往往精度偏低,结果可信度不高。
为了让使用人员能及时发现模型可能存在的问题,需要给出一种对当前模型预测结果可信程度的量化指标,以便人员及时修正模型,提高模型预测精度。
发明内容
针对上述问题,本发明提出了一种对模型预测结果可信程度进行量化评价的方法,该方法建立了如下可信度公式:
C=(a1×AI+a2×(1-SD)+a3×(1-MN)+a4×R2+a5×(1-RMSECV))×100%(1)
式中,AI、SD和MN分别为极值距离系数、距离离散系数和平均距离系数,由样本的主成分得分坐标图计算得到,描述样本的分布集中度情况;R2和RMSECV分别为决定系数和交叉验证均方根误差,由校正样本留一交叉验证计算得到,描述模型的预测能力情况;a1、a2、a3、a4和a5为因子系数,由权重取值方法得到。
C值在100%以内值越高,可信度越强。优选的,高于80%,该汽油性质建模预测结果可信。
极值距离系数AI描述待测样本点与所有校正样本点之间的距离分布情况,AI值越大表示分布相对集中;
其中,dmax为待测样本点与校正样本点之间的最大距离;dmin为待测样本点与校正样本点之间的最小距离。
距离离散系数SD表示待测样本点和所有校正样本点两两之间的距离标准差,SD值越小,表示样本点两两之间的距离波动小,分布相对集中;
其中,dj为待测样本点与所有校正样本点两两之间的距离;为待测样本点与所有校正样本点两两之间距离的平均值;m为样本点两两之间的距离个数,即n为待测样本点与所有校正样本点的总数。
平均距离系数MN表示邻域内的校正样本点的平均距离与邻域外的校正样本点的平均距离的比值,MN值越小,说明邻域内的校正样本点的分布离待测样本点较近,分布相对集中;
其中,为邻域内校正样本点到待测样本点的平均距离;为邻域外校正样本点到待测样本点的平均距离;di为待测样本点与第i个校正样本点之间的距离;S为所有校正样本数,T为邻域内的校正样本数,S-T为邻域外的校正样本数。
优选的,邻域是一个以待测样本点为中心、r为半径的圆,且r=0.95×dmax。
R2表示模型的决定系数,R2值越大,表示模型的预测能力越好:
其中,为第i个校正样本的模型预测值;yi为第i个校正样本的实际值;为所有校正样本实际值的平均值;S为所有校正样本数。
RMSECV表示模型的交叉验证均方根误差,RMSECV值越小,表示模型的预测能力越好;
其中,为第i个校正样本的模型预测值;yi为第i个校正样本的实际值;S为所有校正样本数。
优选的,因子系数a1、a2、a3、a4和a5由权重取值方法得到。
具体的实施例中,a1=0.7362,a2=0.1832,a3=0.0366,a4=0.0381,a5=0.0095。
优选的,在选择校正样本时,首先计算待测样本光谱与已知样本光谱的欧氏距离,然后对欧氏距离由小到大进行排序,利用光谱距离阈值或数量阈值选出不少于30个的样本作为校正样本,并记校正样本数为S。
上述方法介绍的可信度具体计算步骤如下:
(1)获取待测汽油样本的近红外光谱;
(2)对待测油样的光谱和光谱库中与其类型相同的样本光谱进行常规预处理,如采用矢量归一和基线校正方法,以消除近红外光谱数据中包含的噪声;
(3)计算预处理后待测油样的光谱,与光谱库中已知样本光谱的欧式距离,并由小到大进行排序;
(4)利用光谱距离阈值或数量阈值选出不少于30个的已知样本作为校正样本,并将校正样本数记为S;
(5)利用主成分分析法分别得到待测油样和校正样本的第一、第二主成分得分,并以第一主成分得分为横坐标、第二主成分得分为纵坐标,绘制主成分得分坐标图;
(6)在主成分得分坐标图中,首先计算待测样本点与校正样本点之间的距离,记为di(i=1,2,...,S),然后计算所有点两两之间的距离,记为dj(j=1,2,...,m);
(7)找到di(i=1,2,...,S)中的最大值,记为dmax,并计算邻域半径r=0.95×dmax;
(8)查找并计算邻域内的校正样本点数T;
(9)分别计算极值距离系数AI、距离离散系数SD和平均距离系数MN;
(10)对校正样本采用留一交叉验证法,得到模型预测值
(11)分别计算决定系数R2和交叉验证均方根误差RMSECV;
(12)计算可信度C。
有益效果:
本发明提出了一种评价汽油性质建模预测结果可信程度的方法,通过综合考虑待测样本点与校正样本点的分布集中度情况和模型的预测能力情况,建立了可信度公式,衡量预测结果的可信程度。该方法有效表征了预测结果的可信性,较好地评价了当前汽油性质模型的质量,对使用人员是否需要及时更新模型具有重要指导意义。
附图说明
图1待测样本与校正样本在主成分得分坐标图中的正常分布情况
图2待测样本与校正样本在主成分得分坐标图中的一种异常分布情况
图3待测样本与校正样本在主成分得分坐标图中的另一种异常分布情况
图4汽油性质建模预测结果可信度计算步骤流程图
图5待测样本1与校正样本的主成分得分坐标图
图6待测样本2与校正样本的主成分得分坐标图
具体实施过程
下面结合附图和实施案例对本发明作进一步说明。
本发明以某95#成品油为例,介绍汽油性质建模预测结果可信度的计算方法。本案例是针对汽油研究法辛烷值(RON)的测试。
根据图4给出的实施流程,首先对汽油样本近红外光谱数据进行矢量归一和基线校正处理,选择距离较小的65个样本作为校正样本,编号为95#-1~95#-65,编号为95#-66的设为待测样本1,然后进行主成分分析,得到校正样本与待测样本1的第一、第二主成分得分如表1所示。
表1 校正样本与待测样本1(95#-66)的第一、第二主成分得分表
基于表1结果,图5给出了主成分得分坐标图,实心圆点表示校正样本点,米星号表示待测样本点,虚线圆圈表示邻域范围,即以待测样本点为中心、半径为r的圆。由图5可以看出待测样本与校正样本的分布情况,虽然有些校正样本点分布在校正范围的边缘,但是仍有许多校正样本点分布在待测样本点的附近。
在主成分得分坐标图中,首先计算待测样本点与校正样本点之间的距离,记为di(i=1,2,...,65),找到其中的最大值dmax=0.1411和最小值dmin=0.0024,并计算邻域半径r=0.95×dmax=0.1340,得到邻域内的校正样本点数T=59;然后计算所有样本点两两之间的距离,记为dj(j=1,2,...,2145);最后根据公式(2)、(3)、(4)分别计算得到极值距离系数AI=0.9829,距离离散系数SD=0.0407,平均距离系数MN=0.3671。
接下来继续对65个校正样本采用留一交叉验证法进行RON预测,预测结果如表2所示。
表2 65个校正样本的留一交叉验证的预测情况
根据表2中的数据及公式(5)、(6)分别计算决定系数R2=0.7911,交叉验证均方根误差RMSECV=0.2346。
可信度公式(1)中的因子系数的确定由权重取值方法得到,计算步骤如下:
(1)根据因子的重要度进行降序排列,即AI、SD、MN、R2、RMSECV;
(2)设定
(3)固定b2=b3=1,逐渐增大b1的值,发现C1随b1值的增大而增大,取b1=20;
(4)固定b1=20、b3=1,逐渐增大b2的值,发现C1随b2值的增大而增大,取b2=4;
(5)固定b1=10、b2=4,逐渐增大b3的值,发现C1随b3值的增大而减小,取b3=1;
(6)设定
(7)固定b5=1,逐渐增大b4的值,发现C2随b4值的增大而增大,取b4=4;
(8)固定b4=4,逐渐增大b5的值,发现C2随b5值的增大而减小,取b5=1;
(9)设定
(10)固定c2=1,逐渐增大c1的值,发现C随c1值的增大而增大,取c1=20;
(11)固定c1=20,逐渐增大c2的值,发现C随c2值的增大而减小,取c2=1;
(12)最终取得同理得到a2=0.1832,a3=0.0366,a4=0.0381,a5=0.0095。
最后根据可信度公式(1)得到编号为95#-66的待测样本1的预测结果可信度为90.85%。实际上,待测样本1的真实RON值为95.50,预测值为95.77,显然预测偏差很小,为-0.27。
为进一步验证所述评价方法的有效性,取另一待测样本,设为待测样本2,同样采用上述方法进行建模预测并计算其可信度。图6给出了主成分得分坐标图,可见待测样本2与校正样本点相离较远,说明待测样本2与校正样本性质差别较大。采用上述校正样本建模预测待测样本2,得到预测值为96.67,而待测样本2的RON实际值为95.50,预测偏差竟然达到-1.17。事实上,采用本专利提出的方法,计算该预测结果的可信度仅为66.64%,显然与实际情况相符。
可见,采用本发明提出的量化评价方法,能较好地衡量汽油性质建模预测结果的可信程度,为使用人员是否需要及时更新模型提供了依据。
Claims (10)
1.一种评价汽油性质建模预测结果可信程度的方法,其特征在于该方法基于待测样本点和选取的校正样本,通过建立可信度公式,量化汽油性质建模预测结果的可信程度,所述可信度公式:
C=(a1×AI+a2×(1-SD)+a3×(1-MN)+a4×R2+a5×(1-RMSECV))×100%
式中,AI、SD和MN分别为极值距离系数、距离离散系数和平均距离系数,由样本的主成分得分坐标图计算得到;R2和RMSECV分别为决定系数和交叉验证均方根误差;a1、a2、a3、a4和a5为因子系数。
2.根据权利要求1所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于极值距离系数AI采用下式定义,
其中,dmax为待测样本点与校正样本点之间的最大距离;dmin为待测样本点与校正样本点之间的最小距离。
3.根据权利要求1所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于距离离散系数SD采用下式定义,
其中,dj为待测样本点与所有校正样本点两两之间的距离;为待测样本点与所有校正样本点两两之间的距离平均值;m为样本点两两之间的距离个数,即n为待测样本点与所有校正样本点的总数。
4.根据权利要求1所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于平均距离系数MN采用下式定义,
其中,为邻域内校正样本点到待测样本点的平均距离;为邻域外校正样本点到待测样本点的平均距离;di为待测样本点与第i个校正样本点之间的距离;S为所有校正样本数,T为邻域内的校正样本数,S-T为邻域外的校正样本数。
5.根据权利要求4所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于邻域是一个以待测样本点为中心、r为半径的圆,且r=0.95×dmax,dmax为待测样本点到校正样本点的最大距离。
6.根据权利要求1所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于模型的决定系数R2采用下式定义,
其中,为第i个校正样本的模型预测值;yi为第i个校正样本的实际值;为所有校正样本实际值的平均值;S为所有校正样本数。
7.根据权利要求1所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于模型的交叉验证均方根误差RMSECV采用下式定义,
其中,为第i个校正样本的模型预测值;yi为第i个校正样本的实际值;S为所有校正样本数。
8.根据权利要求1所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于因子系数a1、a2、a3、a4和a5由权重取值方法得到。
9.根据权利要求8所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于a1=0.7362,a2=0.1832,a3=0.0366,a4=0.0381,a5=0.0095。
10.根据权利要求1所述的一种评价汽油性质建模预测结果可信程度的方法,其特征在于在选择校正样本时,首先计算待测样本光谱与已知样本光谱的欧氏距离,然后对欧氏距离由小到大进行排序,利用光谱距离阈值或数量阈值选出不少于30个的样本作为校正样本,并记校正样本数为S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610286125.4A CN106018325B (zh) | 2016-04-29 | 2016-04-29 | 一种评价汽油性质建模预测结果可信程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610286125.4A CN106018325B (zh) | 2016-04-29 | 2016-04-29 | 一种评价汽油性质建模预测结果可信程度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106018325A true CN106018325A (zh) | 2016-10-12 |
CN106018325B CN106018325B (zh) | 2019-02-01 |
Family
ID=57081823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610286125.4A Active CN106018325B (zh) | 2016-04-29 | 2016-04-29 | 一种评价汽油性质建模预测结果可信程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106018325B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106706558A (zh) * | 2017-01-10 | 2017-05-24 | 南京富岛信息工程有限公司 | 一种剔除校正集异常样本的方法 |
CN111582308A (zh) * | 2020-04-01 | 2020-08-25 | 上海华虹宏力半导体制造有限公司 | Opc建模数据的可信度的计算方法、设备和存储介质 |
CN115375064A (zh) * | 2022-02-11 | 2022-11-22 | 中国石油天然气集团有限公司 | 一种确定油气上游资产空间分布集中度的方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004079347A1 (en) * | 2003-03-07 | 2004-09-16 | Pfizer Products Inc. | Method of analysis of nir data |
CN102186069A (zh) * | 2011-01-14 | 2011-09-14 | 王慧 | 一种保持量测性能的遥感影像数据压缩方法 |
EP2495547A1 (en) * | 2011-03-03 | 2012-09-05 | Honeywell International, Inc. | Detecting ethanol and water concentration in fuel |
CN103018177A (zh) * | 2012-12-06 | 2013-04-03 | 江苏易谱恒科技有限公司 | 基于随机采样一致集的谱图异常样本点检测方法 |
CN103364364A (zh) * | 2013-07-01 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种基于复合预测技术的原油性质快速检测方法 |
CN104990894A (zh) * | 2015-07-09 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于加权吸光度及相似样本的汽油性质检测方法 |
-
2016
- 2016-04-29 CN CN201610286125.4A patent/CN106018325B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004079347A1 (en) * | 2003-03-07 | 2004-09-16 | Pfizer Products Inc. | Method of analysis of nir data |
CN102186069A (zh) * | 2011-01-14 | 2011-09-14 | 王慧 | 一种保持量测性能的遥感影像数据压缩方法 |
EP2495547A1 (en) * | 2011-03-03 | 2012-09-05 | Honeywell International, Inc. | Detecting ethanol and water concentration in fuel |
CN103018177A (zh) * | 2012-12-06 | 2013-04-03 | 江苏易谱恒科技有限公司 | 基于随机采样一致集的谱图异常样本点检测方法 |
CN103364364A (zh) * | 2013-07-01 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种基于复合预测技术的原油性质快速检测方法 |
CN104990894A (zh) * | 2015-07-09 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于加权吸光度及相似样本的汽油性质检测方法 |
Non-Patent Citations (1)
Title |
---|
胡爱琴等: "多组分复杂体系光谱多元定量分析方法研究", 《光谱学与光谱分析》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106706558A (zh) * | 2017-01-10 | 2017-05-24 | 南京富岛信息工程有限公司 | 一种剔除校正集异常样本的方法 |
CN106706558B (zh) * | 2017-01-10 | 2019-03-22 | 南京富岛信息工程有限公司 | 一种剔除校正集异常样本的方法 |
CN111582308A (zh) * | 2020-04-01 | 2020-08-25 | 上海华虹宏力半导体制造有限公司 | Opc建模数据的可信度的计算方法、设备和存储介质 |
CN111582308B (zh) * | 2020-04-01 | 2023-08-25 | 上海华虹宏力半导体制造有限公司 | Opc建模数据的可信度的计算方法、设备和存储介质 |
CN115375064A (zh) * | 2022-02-11 | 2022-11-22 | 中国石油天然气集团有限公司 | 一种确定油气上游资产空间分布集中度的方法和装置 |
CN115375064B (zh) * | 2022-02-11 | 2024-02-20 | 中国石油天然气集团有限公司 | 一种确定油气上游资产空间分布集中度的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106018325B (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200118015A1 (en) | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
US20150356421A1 (en) | Method for Learning Exemplars for Anomaly Detection | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN105868912A (zh) | 基于数据融合的电力变压器状态评价方法及装置 | |
CN106408423A (zh) | 用于风险评估的方法、系统及构建风险评估系统的方法 | |
CN104063577B (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
US20170017896A1 (en) | Parameter-dependent model-blending with multi-expert based machine learning and proxy sites | |
CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
CN110722285A (zh) | 一种激光热丝焊接焊缝成形质量预测方法、系统及介质 | |
CN106018325A (zh) | 一种评价汽油性质建模预测结果可信程度的方法 | |
CN104376434A (zh) | 卷烟多点加工质量的综合评价方法 | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
CN106874686A (zh) | 指标关系网构建方法 | |
Davino et al. | Quantile composite-based path modeling | |
Własiuk et al. | A likelihood ratio model for the determination of the geographical origin of olive oil | |
Cui et al. | A hybrid MCDM model with Monte Carlo simulation to improve decision-making stability and reliability | |
CN112950048A (zh) | 基于模糊综合评价的国家高等教育体系健康评价 | |
CN117195505A (zh) | 一种用于电能表信息化评价校准模型的测评方法及系统 | |
Azamfar et al. | Moshrefifar and Azamfar method, a new cycle counting method for evaluating fatigue life | |
Luo et al. | A prediction method based on improved ridge regression | |
Li | Retracted: Neural network economic forecast method based on genetic algorithm | |
Kiraci et al. | Causal relationship between air transport and economic growth: Evidence from panel data for high, upper-middle, lower-middle and low-income countries | |
Kovářík et al. | Implementing control charts to corporate financial management | |
Aleksandrovskaya et al. | Analysis and comparison of some criteria of checking the probability distribution deviation from the normal distribution law |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |